Constraint-based reconstruction and analysis (COBRA) provides a molecular mechanistic framework for integrative analysis of experimental molecular systems biology data and quantitative prediction of physicochemically and biochemically feasible phenotypic states. The COBRA Toolbox is a comprehensive desktop software suite of interoperable COBRA methods. It has found widespread application in biology, biomedicine, and biotechnology because its functions can be flexibly combined to implement tailored COBRA protocols for any biochemical network. This protocol is an update to the COBRA Toolbox v.1.0 and v.2.0. Version 3.0 includes new methods for quality-controlled reconstruction, modeling, topological analysis, strain and experimental design, and network visualization, as well as network integration of chemoinformatic, metabolomic, transcriptomic, proteomic, and thermochemical data. New multi-lingual code integration also enables an expansion in COBRA application scope via high-precision, high-performance, and nonlinear numerical optimization solvers for multi-scale, multi-cellular, and reaction kinetic modeling, respectively. This protocol provides an overview of all these new features and can be adapted to generate and analyze constraint-based models in a wide variety of scenarios. The COBRA Toolbox v.3.0 provides an unparalleled depth of COBRA methods.

Summary COBREXA.jl is a Julia package for scalable, high-performance constraint-based reconstruction and analysis of very large-scale biological models. Its primary purpose is to facilitate the integration of modern high performance computing environments with the processing and analysis of large-scale metabolic models of challenging complexity. We report the architecture of the package, and demonstrate how the design promotes analysis scalability on several use-cases with multi-organism community models. Availability and implementation https://doi.org/10.17881/ZKCR-BT30 . Contact christophe.trefois@uni.lu , wei.gu@uni.lu

Certain neuronal populations are selectively vulnerable to alpha-synuclein pathology in Parkinson's Disease, yet the reasons for this selectivity are unclear. Pathology affects neuronal populations that are anatomically connected although the contribution of neuronal connectivity remains to be quantitatively explored. Herein, we simulate the contribution of the connectome alone to the spread of arbitrary aggregates using a computational model of temporal spread within an abstract representation of the mouse mesoscale connectome. Our simulations are compared with the neuron-to-neuron spread of alpha-synuclein that has been observed with in vivo spreading experiments in rats. We find that neuronal connectivity appears to be compatible with the spreading pattern of alpha-synuclein pathology however, it may be per se insufficient to determine the anatomical pattern of protein spreading observed in experimental animals, suggesting a role of selective vulnerability of neuronal pathways to alpha-synuclein diffusion, accumulation and pathology.